3.2. Модель оценки вероятности банкротства компании 3.2.1. Описание модели Модель оценки вероятности банкротства компании была разработана с применением эконометрического анализа статистики из 16 компаний различных производственных сфер деятельности и различных организационных форм. В статистике присутствовали 5 компаний – банкротов. Использовались последние (до момента банкротства) финансовые документы компаний. Остальные 11 компаний являются стабильными и в настоящий момент продолжают вести свою деятельность. В модели использовались документы таких компаний за 4 – 5 лет до текущего момента для полноты уверенности в отсутствии вероятности банкротства этих компаний. Полный перечень компаний и их финансовые показатели представлены в приложениях 4 – 15 к работе.
Зависимой переменной модели была выбрана бинарная переменная, характеризующая вероятность банкротства компании (1 – для компаний – банкротов, и 0 – для стабильных компаний). В ходе построения модели исследовалось влияние 58 различных показателей (30 финансовых коэффициентов и 28 показателей баланса компании в денежном выражении). Большая часть этих факторов была отсеяна при проведении корреляционного анализа.
Полученная модель состоит из четырех показателей:
ROA – рентабельность активов;
R1 – отношение оборотных активов к общим активам;
R2 –рентабельность собственного капитала;
R4 –рентабельность затрат.
Общий вид модели:
P=0.841 – 0.194*ROA – 0.883*R1 – 1.126*R2 – 0.337*R4
где:
P – вероятность банкротства компании;
ROA – рентабельность активов;
R1 – отношение оборотных активов к общим активам;
R2 –рентабельность собственного капитала;
R4 –рентабельность затрат.
3.2.2. Тестирование модели В Таблице 14 представлены данные эконометрической модели вероятности банкротства компании из программы EViews 6.
Таблица 14.
Модель оценки вероятности банкротства компании
Dependent Variable: BANCRUPT
|
|
| Method: Least Squares
|
|
| Date: 04/29/13 Time: 00:48
|
|
| Sample: 1 16
|
|
|
| Included observations: 16
|
|
|
|
|
|
|
|
|
|
|
|
| Variable
| Coefficient
| Std. Error
| t-Statistic
| Prob.
|
|
|
|
|
|
|
|
|
|
| ROA
| -0.193815
| 0.084076
| -2.305242
| 0.0416
| R1
| -0.883188
| 0.332838
| -2.653506
| 0.0224
| R2
| -1.125628
| 0.458049
| -2.457440
| 0.0318
| R4
| -0.337174
| 0.106296
| -3.172035
| 0.0089
| C
| 0.841039
| 0.203106
| 4.140876
| 0.0016
|
|
|
|
|
|
|
|
|
|
| R-squared
| 0.670550
| Mean dependent var
| 0.312500
| Adjusted R-squared
| 0.550750
| S.D. dependent var
| 0.478714
| S.E. of regression
| 0.320863
| Akaike info criterion
| 0.814703
| Sum squared resid
| 1.132485
| Schwarz criterion
| 1.056137
| Log likelihood
| -1.517622
| Hannan-Quinn criter.
| 0.827066
| F-statistic
| 5.597240
| Durbin-Watson stat
| 1.761498
| Prob(F-statistic)
| 0.010443
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Из таблицы видно, что все коэффициенты получились значимы, так как вероятность теста на равенство нулю меньше 0,05 для всех переменных. Показатель R-squared равен 0,67, что говорит о том, что модель объясняет 67% вариации банкротств. Информационные критерии так же достаточно высоки (Akaike info criterion = 0,8147, Schwarz criterion = 1,056).
Описательная статистика остатков приведена в рисунке 7.
Рис.7. Описательная статистика остатков
Из графика видно, что распределение остатков является нормальным, поскольку вероятность теста Жака-Бера не равна нулю, асимметрия близка к нулю и эксцесс близок к 3.
Распределение остатков представлено на рисунке 8.
Рис. 8. Распределение остатков
Найдём коэффициент корреляции между вероятностью банкротства и остатками (Таблица 15).
Таблица 15.
Корреляция между вероятностью банкротства и остатками
| BANCRUPT
| resid
| BANCRUPT
| 1
| 0.5739
| resid
| 0.5739
| 1
|
Коэффициент корреляции равен 0,57, что говорит о том, что связь между переменными присутствует.
Ramsey RESET-test на правильность спецификации приведен в приложении 16 к данной работе, тесты на гетероскедастичность (Breusch-Pagan-Godfrey, Harvey, Glejser и White) приведены в приложениях 17 – 20 к данной работе. Коэффициент перед FITTED^2 в Ramsey RESET-test очень маленький, то есть добавление предсказанных значений Y, возведённых в квадрат не улучшает регрессию, а значит, спецификация модели верна. Так как p-value тестов на гетероскедастичность больше 0,05 (кроме теста Harvey, в котором модель получилась не значимой), то гипотеза о гомоскедастичности не отвергается.
Рассчитаем показатели VIF для каждой объясняющей переменной (Таблица 16).
Таблица 16.
Показатели VIF
Переменная
| VIF
| ROA
| 2.0466
| R1
| 1.8507
| R2
| 1.9596
| R4
| 1.5853
| После расчёта показателей можем сделать вывод о том, что мультиколлинеарность отсутствует, поскольку значения меньше 5 для всех переменных. Корреляция между переменными менее 0,6, значит мультиколлинеарность отсутствует (кроме показателей R4 и R2, но при исключении одного из них модель сильно ухудшается). Корреляционная матрица представлена в Таблице 17.
Таблица 17.
Корреляционная матрица между переменными
-
| R1
| R2
| R4
| ROA
| R1
| 1
| 0.15
| -0.41
| -0.51
| R2
| 0.15
| 1
| -0.71
| -0.19
| R4
| -0.41
| -0.71
| 1
| 0.46
| ROA
| -0.51
| -0.19
| 0.46
| 1
|
Из проведенного анализа можно сделать вывод, что представленная модель имеет верную спецификацию. В ней отсутствуют мультиколлинеарность и гетероскедастичность. Поэтому, возможно применение модели на практике.
|